Electronic health record and primary care physician self-reported quality of care: a multilevel study in China
Notice bibliographique
Résumé
Background: Health information technology is one of the building blocks of a highperforming health system.However, the evidence regarding the influence of an electronic health record (EHR) on the quality of care remains mixed, especially in low-and middleincome countries.Objective: This study examines the association between greater EHR functionality and primary care physician self-reported quality of care.Methods: A total of 224 primary care physicians from 38 community health centres (CHCs) in four large Chinese cities participated in a cross-sectional survey to assess CHC care quality.Each CHC director scored their CHC's EHR functionality on the availability of ten typical features covering health information, data, results management, patient access, and clinical decision support.Data analysis utilised hierarchical linear modelling.Results: The availability of five EHR features was positively associated with physician selfreported clinical quality: share records online with providers outside the practice ( = 0.276, p = 0.04), access records online by the patient ( = 0.325, p = 0.04), alert provider of potential prescription problems ( = 0.353, p = 0.04), send the patient reminders for care ( = 0.419, p = 0.003), and list patients by diagnosis or health risk ( = 0.282, p = 0.04).However, no association was found between specific features availability or total features score and physician self-reported preventive quality.Conclusions: This study provides evidence that the availability of EHR systems, and specific features of these systems, was positively associated with physician self-reported quality of care in these 38 CHCs.Future longitudinal studies focused on standardised quality metrics, and designed to control known confounding variables, will further inform quality improvement efforts in primary care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».